深度學習與機器學習：兩者有什麼區別？

經常聽到的兩個術語：機器學習 和深度學習。這些是「教」人工智慧來執行任務的兩種方法，但是它們的用途超出了創建智能助手的方式。有什麼不同？

所有這些學習的核心就是所謂的演算法。

演算法不是一個完整的計算機程序（一組指令），而是一個解決單個問題的有限步驟。

1956年，機器學習實際上已經出現了。 亞瑟·塞繆爾（Arthur Samuel）不想寫一個非常詳細，冗長的程序，使計算機能夠在跳棋中打敗他。相反，他創造了一種演算法，使電腦能夠自我對抗數千次，這樣就可以「學習」如何作為一個獨立的對手進行比賽。1962年，這台電腦擊敗了康涅狄格州冠軍。

所以，機器學習的核心是基於反覆試驗。我們不能手工編寫程序來幫助自駕車識別行人與樹木或車輛，但是我們可以創建一個程序的演算法，可以使用數據來解決這個問題。

以下是機器學習的四種主要類型：

監督機器學習

在這種情況下，由人提供帶有標籤數據的計算機程序。例如，如果分配的任務是使用用於分類圖像的演算法來分離男孩和女孩的圖片，則具有男孩的那些將具有「男孩」標籤，並且具有女孩的圖像將具有「女孩」標籤。這被認為是一個「訓練」數據集，並且標籤保持原位，直到程序能夠以可接受的速率成功地對圖像進行分類。

半監督機器學習

在這種情況下，只有少數圖像被標記。然後計算機程序將使用演算法對未標記圖像進行最佳猜測，然後將數據作為訓練數據反饋給程序。然後提供一批新的圖像，只有幾個運動標籤。這是一個重複的過程，直到程序能以可接受的速度區分男孩和女孩。

無監督的機器學習

這種類型的機器學習不涉及任何標籤。相反，這個計劃被盲目地分為兩個方法，一個是將男孩和女孩的圖像分成兩組。一種演算法被稱為「聚類」，根據諸如頭髮長度，下顎大小，眼睛位置等特徵將相似的對象分組在一起。另一種演算法稱為「關聯」，程序根據發現的相似性創建if / then規則。換句話說，它決定了圖像之間的共同模式，並相應地對其進行分類。

深度學習

深度學習基本上是「更深層次」的機器學習。它的靈感來源於人腦的工作原理，但是需要高端機器以及能夠處理數字的獨立附加圖形卡以及大量的「大數據」。少量的數據實際上會降低性能。

與標準的機器學習演算法不同，它將問題分解成若干部分並單獨解決，從頭到尾深入的學習解決了這個問題。提供深度學習演算法的數據和時間越多，解決任務就越好。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！